Saltar al contenido principal

​
Modo Talk

El modo Talk es un bucle continuo de conversación por voz:
  1. Escuchar el habla
  2. Enviar la transcripción al modelo (sesión principal, chat.send)
  3. Esperar la respuesta
  4. Reproducirla mediante el proveedor Talk configurado (talk.speak)

​
Comportamiento (macOS)

  • Superposición siempre activa mientras el modo Talk está habilitado.
  • Transiciones de fase Escuchando → Pensando → Hablando.
  • En una pausa breve (ventana de silencio), se envía la transcripción actual.
  • Las respuestas se escriben en WebChat (igual que al escribir).
  • Interrumpir al hablar (activado de forma predeterminada): si la persona usuaria empieza a hablar mientras el asistente está hablando, detenemos la reproducción y anotamos la marca de tiempo de la interrupción para el siguiente prompt.

​
Directivas de voz en las respuestas

El asistente puede anteponer a su respuesta una única línea JSON para controlar la voz: 
{ "voice": "<voice-id>", "once": true }
Reglas:
  • Solo la primera línea no vacía.
  • Las claves desconocidas se ignoran.
  • once: true se aplica solo a la respuesta actual.
  • Sin once, la voz se convierte en el nuevo valor predeterminado del modo Talk.
  • La línea JSON se elimina antes de la reproducción TTS.
Claves compatibles:
  • voice / voice_id / voiceId
  • model / model_id / modelId
  • speed, rate (WPM), stability, similarity, style, speakerBoost
  • seed, normalize, lang, output_format, latency_tier
  • once

​
Configuración (~/.openclaw/openclaw.json)

{
  talk: {
    voiceId: "elevenlabs_voice_id",
    modelId: "eleven_v3",
    outputFormat: "mp3_44100_128",
    apiKey: "elevenlabs_api_key",
    silenceTimeoutMs: 1500,
    interruptOnSpeech: true,
  },
}
Valores predeterminados:
  • interruptOnSpeech: true
  • silenceTimeoutMs: cuando no está definido, Talk mantiene la ventana de pausa predeterminada de la plataforma antes de enviar la transcripción (700 ms en macOS y Android, 900 ms en iOS)
  • voiceId: recurre a ELEVENLABS_VOICE_ID / SAG_VOICE_ID (o a la primera voz de ElevenLabs cuando la clave API está disponible)
  • modelId: el valor predeterminado es eleven_v3 cuando no está definido
  • apiKey: recurre a ELEVENLABS_API_KEY (o al perfil de shell del gateway si está disponible)
  • outputFormat: el valor predeterminado es pcm_44100 en macOS/iOS y pcm_24000 en Android (establece mp3_* para forzar streaming MP3)

​
IU de macOS

  • Conmutador de barra de menús: Talk
  • Pestaña de configuración: grupo Talk Mode (id de voz + conmutador de interrupción)
  • Superposición:
    • Escuchando: la nube pulsa con el nivel del micrófono
    • Pensando: animación de hundimiento
    • Hablando: anillos radiantes
    • Hacer clic en la nube: detener la reproducción
    • Hacer clic en X: salir del modo Talk

​
Notas

  • Requiere permisos de Speech + Microphone.
  • Usa chat.send contra la clave de sesión main.
  • El gateway resuelve la reproducción de Talk mediante talk.speak usando el proveedor Talk activo. Android recurre al TTS local del sistema solo cuando ese RPC no está disponible.
  • stability para eleven_v3 se valida como 0.0, 0.5 o 1.0; otros modelos aceptan 0..1.
  • latency_tier se valida como 0..4 cuando está definido.
  • Android admite formatos de salida pcm_16000, pcm_22050, pcm_24000 y pcm_44100 para streaming AudioTrack de baja latencia.